【摘要】：隨著云計算、大數(shù)據(jù)、面向服務(wù)架構(gòu)(SOA)技術(shù)的發(fā)展,大服務(wù)生態(tài)系統(tǒng)應(yīng)運而生。如何從大規(guī)模的功能屬性相同而非功能屬性不同的候選服務(wù)中為用戶有效地推薦滿足其個性化需求的服務(wù)已成為一項極具挑戰(zhàn)性的研究課題。目前QoS已經(jīng)廣泛應(yīng)用于服務(wù)組合、服務(wù)選擇和服務(wù)推薦系統(tǒng)中。然而,在真實的Internet環(huán)境中,由于種種條件的限制,用戶不可能通過調(diào)用所有服務(wù)來獲取這些服務(wù)的值,這就導(dǎo)致用戶-服務(wù)矩陣非常稀疏,從而導(dǎo)致一些預(yù)測方法在預(yù)測QoS缺失值時預(yù)測精度的下降。為此,推薦系統(tǒng)需要在QoS信息稀疏的情況下為用戶推薦滿足其個性化需求的服務(wù)。其次,針對QoS會隨著時間變化而不同的特性,需要研究時間感知的服務(wù)質(zhì)量預(yù)測方法。為了解決以上兩個問題,本文提出了兩種基于神經(jīng)網(wǎng)絡(luò)算法的Web服務(wù)質(zhì)量預(yù)測方法。本文的主要貢獻如下:(1)提出了一種基于SOM算法的服務(wù)質(zhì)量預(yù)測方法SOMQP。該方法通過引入具有拓撲結(jié)構(gòu)的領(lǐng)域函數(shù),將所有的神經(jīng)元都置于一個根據(jù)先驗知識而事先確定的拓撲結(jié)構(gòu),從而可以達到較為穩(wěn)定的聚類結(jié)果。然后,根據(jù)聚類結(jié)果,應(yīng)用一種新的Top-k選擇機制,為目標用戶和目標服務(wù)選擇相似用戶和相似服務(wù)。最后,采用混合的預(yù)測方法對缺失值進行預(yù)測。實驗結(jié)果表明,在數(shù)據(jù)非常稀疏的情況下該方法的預(yù)測精度優(yōu)于主流的預(yù)測算法。(2)提出了一種基于覆蓋算法的服務(wù)質(zhì)量預(yù)測方法UIQPCA。該方法主要有兩個階段:基于歷史時間片的QoS預(yù)測和基于當前時間片的QoS預(yù)測。在基于歷史時間片的預(yù)測階段,首先需要根據(jù)前面時間片上用戶調(diào)用服務(wù)的歷史QoS數(shù)據(jù),對該用戶調(diào)用該服務(wù)的下一個時間片上的缺失值進行預(yù)測;如果該用戶在之前的時間片上沒有調(diào)用過該服務(wù),那么就需要使用覆蓋算法去識別目標用戶和目標服務(wù)的相似用戶和相似服務(wù),然后基于相似用戶和相似服務(wù)的歷史QoS數(shù)據(jù)對缺失值進行預(yù)測。在第一階段對歷史時間片上的缺失值都預(yù)測填充后,就可以根據(jù)歷史時間片上的數(shù)據(jù)對當前時間片的所有的用戶-服務(wù)的QoS值進行預(yù)測。實驗結(jié)果表明,該方法可以很好地解決QoS動態(tài)變化時的預(yù)測問題。(3)最后,通過在真實WS-Dream數(shù)據(jù)集上進行大量實驗來驗證本文提出算法的預(yù)測精度。實驗結(jié)果表明,與經(jīng)典的CF算法,基于改進的PCC預(yù)測算法和基于k-means的預(yù)測算法相比,SOMQP算法的QoS預(yù)測精度提高了 34.9%、29.5%和 4.3%;UIQPCA 算法的預(yù)測精度提高了 22.5%、11.9%和 8.7%。
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP393.09;TP183

【參考文獻】

相關(guān)期刊論文 前10條

1 劉樹棟;孟祥武;;一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J];軟件學報;2014年11期

2 王海艷;楊文彬;王隨昌;李思瑞;;基于可信聯(lián)盟的服務(wù)推薦方法[J];計算機學報;2014年02期

3 楊陽;向陽;熊磊;;基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法[J];計算機應(yīng)用;2012年02期

4 吳湖;王永吉;王哲;王秀利;杜栓柱;;兩階段聯(lián)合聚類協(xié)同過濾算法[J];軟件學報;2010年05期

5 邵凌霜;周立;趙俊峰;謝冰;梅宏;;一種Web Service的服務(wù)質(zhì)量預(yù)測方法[J];軟件學報;2009年08期

6 范小芹;蔣昌俊;王俊麗;龐善臣;;隨機QoS感知的可靠Web服務(wù)組合[J];軟件學報;2009年03期

7 胡春華;吳敏;劉國平;;Web服務(wù)工作流中基于信任關(guān)系的QoS調(diào)度[J];計算機學報;2009年01期

8 雷小鋒;謝昆青;林帆;夏征義;;一種基于K-Means局部最優(yōu)性的高效聚類算法[J];軟件學報;2008年07期

9 吳濤,張鈴,張燕平;機器學習中的核覆蓋算法[J];計算機學報;2005年08期

10 丁振國,陳靜;基于關(guān)聯(lián)規(guī)則的個性化推薦系統(tǒng)[J];計算機集成制造系統(tǒng)-CIMS;2003年10期

，

本文編號：2606406